Características e desafios de geração do NDVI para o Brasil a partir de dados do satélite de órbita geoestacionária Meteosat-10

Carlos Roberto Silveira Jr, Laerte Ferreira Guimaraes, Bernardo Barbosa Silva

Resumo


O monitoramento da cobertura do solo a partir de indicadores ambientais pos­sibilita melhor conhecimento dos processos biofísicos e ecológicos, auxiliando na compreensão da dinâmica do uso da terra e na tomada de decisão. Satélites em órbita polar, em sua maioria, fornecem o NDVI (Normalized Difference Vegetation Index) com média resolução espacial (250 m a 1 km) a partir de composições de imagens (7, 10 ou 16 dias). Por outro lado, satélites em órbita geoestacionária podem fornecer o NDVI com baixa resolução espacial (1 a 3 km) e alta resolução temporal (10 a 25 minutos). Particularmente, o MSG (Meteosat Second Generation) mostra-se eficiente para o monitoramento da vegetação a partir do índice NDVI para regiões da África, apresentando alta correlação espacial com dados de satélites polares, sendo utilizado na análise e detecção do estresse hídrico da vegetação e da fenologia com vantagens significativas na análise de séries. No entanto, para o Brasil, existem limitações que precisam ser conhecidas para o desenvolvimento do produto NDVI MSG com qualidade. Este artigo tem como objetivo apresentar como o MSG é utilizado para o monitoramento de processos da superfície a partir do NDVI, com o intuito de identificar os desafios inerentes no desenvolvimento do produto para o Brasil. Para tanto, são apresentas as principais características do NDVI, o histórico do produto de cobertura global e uma discussão sobre os principais desafios do NDVI MSG para o Brasil, relacionados às características de baixa resolução espacial, visada sobre o Brasil, correções atmosférica e geométrica e características da imagem pancromática e canais espectrais.


Palavras-chave


Meteosat-10, NDVI, índice ambiental

Referências


Aguiar, D.A., Silva, W.F., Mello, M.P., Silva, G. B. S., Adami, M., Rudorff, B.F.T., et al., 2011. Monitoramento agroambiental do setor sucroenergético: contribuições do sensoriamento remoto orbital para a certificação ambiental do cultivo da cana-de-açúcar. Anais XV Simpósio Brasileiro de Sensoriamento Remoto, Curitiba. Available in: https://ainfo.cnptia.embrapa.br/digital/bitstream/item/42851/1/Gustavo5-SBSR.pdf. Acess: 10 mai. 2017.

Ahmad, S., Kalra, A., Stephen, H., 2010. Estimating soil moisture using remote sensing data: a machine learning approach. Advances in Water Resources 33, 69-80.

Alparone L., Aiazzi B., Baronti S., Garzelli A., 2015. Remote Sensing Image Fusion, 1. ed. CRC Press: Taylor & Francis Group, New York.

Amro, I., Mateos, J., Vega, M., Molina, R., Katsaggelos, A. K., 2011. A survey of classical methods and new trends in pansharpening of multispectral images. EURASIP Journal on Advances in Signal Processing 79, 1-22.

Andrade, R.G., Sediyama, G., Soares, V.P., Gleriani, J.M., Menezes, S.J.M.C., 2014. Estimativa de Produtividade da Cana-de-açúcar utilizando o SEBAL e Imagens LANDSAT. Revista Brasileira de Meteorologia 29, 433-442.

Atzberger, C., 2013. Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs. Remote Sensing 5, 949-981.

Barbosa, H.A., Accioly Filho, J.B.P., Melcíades, W.L.B., Mello, N.G.S., Souza, J.M.D. Determinação do índice de vegetação através de imagens Meteosat-8. Anais III Simpósio Regional de Geoprocessamento e Sensoriamento Remoto, 1-5. Aracaju, 2006b. Available in: http://www.cpatc.embrapa.br/labgeo/srgsr3/artigos_pdf/074_t.pdf. Acess: 10 mai. 2017.

Barbosa, H.A., Da Silva, L.R.M., Santos, A.M., Neto, C.P.S., 2014. A Step Beyond Visualization: How to Ingest Meteosat Second Generation Satellite Data and Product into MCIDAS-V, ILWIS and TerraMA. Journal of Hyperspectral Remote Sensing 4, 1-15.

Barbosa, H. A., Ertük, A. G., 2009a. Índice diário de vegetação estimado com imagens multies-pectrais do satélite Meteosat Segunda Geração. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, 5617-5624. Natal. Disponível em: http://marte.sid.inpe.br/col/dpi.inpe.br/sbsr@80/2008/11.18.00.21.58/doc/5617-5624.pdf. Acess: 10 mai. 2017.

Barbosa, H. A., Ertük, A.G., 2009b. Utilização de imagens Meteosat de segunda geração para a detecção e monitoramento de sistemas convectivos severos atuantes no Brasil. Anais XIV Simpósio Brasileiro de Sensoriamento Remoto, 1641-1646. Natal. Available in: . Acess: 10 mai. 2017.

Barbosa, H. A., Ertürk, A. G., Da Silva, L.R.M., 2012. Using the Meteosat-9 images to the detection of deep convective systems in Brazil. Journal of Hyperspectral Remote Sensing 2, 69-82.

Barbosa, H.A., Huete, A. R., Baethgen, W.E.A., 2006a. 20-year study of NDVI variability over the northeast region of Brazil. Journal of Arid Environments 67, 288-307.

Barbosa, H.A., Junior, I. W.D.S., Ertük, A.G., Prieto, J., 2011. The cloud-top SEVIRI data for monitoring convective storms. Anais XV Simpósio Brasileiro de Sensoriamento Remoto, Curitiba, 2179-2186. Available in: http://www.dsr.inpe.br/sbsr2011/files/p0906.pdf. Acess: 10 mai. 2017.

Barbosa, H.A., Lakshmi Kumar, T.V., Silva, L.R. M., 2015. Recent trends in vegetation dynamics in the South America and their relationship to rainfall. Natural Hazards 77, 883- 899.

Bley, S., Deneke, H., 2013. A threshold-based cloud mask for the high-resolution visible channel of Meteosat Second Generation SEVIRI. Atmospheric Measurement Techniques 6, 2713–2723.

Borges, L.A. 2010. Estimativa de NDVI no Estado de Minas Gerais Utilizando Imagens dos Satélites CBERS_2B/CCD e MSG/SEVIRI. Dissertação (Mestrado). Lavras, Universidade Federal de Lavras.

BRASIL. Ministério do Meio Ambiente, 2015. Mapeamento do Uso e Cobertura do Cerrado: Projeto TerraClass Cerrado, Brasília.

Bruziguessi, E.P., 2016. Árvores nativas do cerrado na pastagem: Por quê? Como? Quais? Tese (Doutorado). Brasília, Universidade de Brasília.

Correia, L.H., Silveira, C.R., 2015. Índice de vegetação de satélite geoestacionário para análise temporal fenológica do Cerrado em Goiás. Anais X Simpósio Brasileiro de Agroinformática. Ponta Grossa, 1–4. Available in: http://eventos.uepg.br/sbiagro/2015/anais/SBIAgro2015/pdf_resumos/20/20_leandro_henrique_correia_177.pdf. Acess: 10 mai. 2017.

Cracknell, A.P., 1998. Review article Synergy in remote sensing what’s in a pixel? International Journal of Remote Sensing 19, 2025–2047.

Da Cruz, P.P.N., 2009. Utilização dos Canais Multiespectrais do Sensor SEVIRI na Detecção de Sistemas Convectivos Severos no Sudeste Brasileiro - Estudos de Casos. Dissertação (Mestrado) Alagoas, Universidade Federal de Alagoas.

Dantas, A.A.A., Ferreira, E., 2010. Land Surface Temperatures From Meteosat-9 Satellite In Minas Gerais State. Proceedings Geoscience and Remote Sensing Symposium (IGARSS), IEEE International, Honolulu, 2241-2243. Available in: http://ieeexplore.ieee.org/document/5649705/. Acess: 10 mai. 2017.

Delgado, R.C., Sediyama, G.C., Costa, M.H., Soares, V.P., Andrade, R.G., 2012. Classificação espectral de área plantada com a cultura da cana-de-açúcar por meio da árvore de decisão. Engenharia Agrícola 32, 369-380.

Ertürk, A. G., Elliott, S., Barbosa, H., Samain, O., Heinemann, T., 2010. Pre-operational NDVI product derived from MSG SEVIRI. Available in: www.eumetsat.int. Acess: 10 mai. 2017.

EUMETSAT. European Organisation for the Exploitation of Meteorological Satellites, 2016. Eumetsat Home Page. Available in: www.eumetsat.int. Acess: 10 mai. 2017.

EUMETSAT. European Organisation for the Exploitation of Meteorological Satellites, 2010. MSG Meteorological Products Extraction Facility Algorithm Specification Document. Available in: www.eumetsat.int. Acess: 10 mai. 2017.

EUMETSAT. European Organisation for the Exploitation of Meteorological Satellites, 2015. Support software & tools. Available in: http://www.eumetsat.int/website/home/Data/DataDelivery/SupportSoftwareandTools/index.html. Acess: 10 mai. 2017.

Fensholt, R., Anyamba, A., Huber, G. S., Proud, S. R., Tucker, C., Small, J., et al., 2011. Analysing the advantages of high temporal resolution geostationary MSG SEVIRI data compared to polar operational environmental satellite data for land surface monitoring in Africa. International Journal of Applied Earth Observations and Geoinformation, 13, 721-729.

Fensholt, R., Rasmussen, K., Nielsen, T.T., Mbow, C., 2009 Evaluation of earth observation based long term vegetation trends: Intercomparing NDVI time series trend analysis consistency of Sahel from AVHRR GIMMS, Terra MODIS and SPOT VGT data. Remote Sensing of Environment 113, 1886-1898.

Fensholt, R., Sandholt, I., Stisen, S., Tucker, C., 2006. Analysing NDVI for the African continent using the geostationary meteosat second generation SEVIRI sensor. Remote Sensing of Environment 101, 212-229.

Ferreira, M.E., Ferreira, L.G., Huete, A.R., Peccinini, A.A., 2002 Análise comparativa dos produtos MODIS Ecologia para o monitoramento biofísico ambiental do bioma Cerrado. Revista Brasileira de Geofísica 24, 1–10.

Filho, S., Nunes, G.M., Roberto, C., Filho, D.S., 2012. Discriminação de Fitofisionomias na Amazônia Central por meio de Índices de Vegetação de Imagens com resolução espacial moderada. Geografia Acadêmica 1, 5-14.

Fisher, P., 1997. The Pixel: A Snare and a Delusion. International Journal of Remote Sensing 18, 679–85.

Govaerts, Y., 1998. Potential of Meteosat Second Generation for the monitoring of land surface properties. Proceedings Workshop on Modelling and Data Assimilation for Land Surface Processes. Darmstadt, 74-78. Available in: http://www.ecmwf.int/sites/default/files/elibrary/1998/9625-potential-meteosat-second-generation-monitoring-land-surface-properties.pdf. Acess: 10 mai. 2017.

Hubanks P., Patnick S., King M., e Ridgway B., 2015. MODIS Atmosphere L3 Gridded Product Algorithm Theoretical Basis Document (ATBD) & Users Guide. Available in: . Acess: 26 out. 2017.

Kotchenova S.Y., Vermote E.F., 2007. Validation of a vector version of the 6S radiative transfer code for atmospheric correction of satellite data. Part II. Homogeneous Lambertian and anisotropic surfaces. Applied Optics 46.

Kotchenova, S.Y., Vermote, E.F., Levy, R., Lyapustin, A., 2008. Radiative transfer codes for atmospheric correction and aerosol retrieval: intercomparison study. Applied Optics 47, p. 2215–2226.

Koukal, T., Atzberger, C., Schneider, W., 2014. Evaluation of semi-empirical BRDF models inverted against multi-angle data from a digital airborne frame camera for enhancing forest type classification. Remote Sensing of Environment 151, 27–43.

Lee, C.S., Yeom, J.M., Lee, H.L., Kim, J.J., Han, K.S., 2015. Sensitivity analysis of 6S-based look-up table for surface reflectance retrieval. Asia-Pacific Journal of Atmospheric Sciences 51, 91–101.

Lyapustin, A.I., Wang, Y., Laszlo, I., Hilker, T., G.Hall F., Sellers, P.J., et al., 2012. Multi-angle implementation of atmospheric correction for MODIS (MAIAC): 3. Atmospheric correction. Remote Sensing of Environment 127, 385–393.

Moura, Y.M.D., Hilker, T., Lyapustin, A.I., Galvão, L.S. Santos, J.R.d., Anderson L.O, et al., 2015. Seasonality and drought effects of Amazonian forests observed from multi-angle satellite data. Remote Sensing of Environment 171, 278–290.

Nicácio, R.M., Araújo, L.L., Gonzaga, E.P., Libos, M.I.P, Oliveira, L.M.T., 2009. Relação NDVI e precipitação na bacia do rio Coxim - MS. Geografia 34, 667-680.

Nieto, H., Sandholt, I., Aguado, I., Chuvieco, E., Stisen, S., 2011 Air temperature estimation with MSG-SEVIRI data: Calibration and validation of the TVX algorithm for the Iberian Peninsula. Remote Sensing of Environment 115, 107-116.

Picoli, M.C.A., Rudorff, B.F.T., Rizzi, R., Giarolla, A., 2009. Índice de vegetação do sensor MODIS na estimativa da produtividade agrícola da cana-de-açúcar. Bragantia 68, 789-795.

Proud, S.R., Fensholt, R., Rasmussen, M.O., Sandholt, I., 2010a. A comparison of the effectiveness of 6S and SMAC in correcting for atmospheric interference of Meteosat Second Generation images. Journal of Geophysical Research 115, p. 1-14.

Proud, S.R., Schaaf, C., Fensholt, R., Rasmussen, M.O., Shisanya, C., Mutero, W., et al., 2014. The Normalization of Surface Anisotropy Effects Present in SEVIRI Reflectances by Using the MODIS BRDF Method. IEEE Transactions on Geoscience and Remote Sensing 52, 6026 – 6039.

Proud, S.R., Rasmussen, M.O., Fensholt, R., Sandholt, I., Shysanya, C., Mutero, W., et al., 2010b. Improving the SMAC atmospheric correction code by analysis of Meteosat Second Generation NDVI and surface reflectance data. Remote Sensing of Environment 114, 1687-1698.

Qu, Y., Liu, Q., Liang, S., Wang, L., Liu, N., Liu, S., 2014. Direct-estimation algorithm for mapping daily land-surface broadband albedo from modis data. IEEE Transactions on Geoscience and Remote Sensing 52, 907–919.

Rahman, H., Dedieu, G., 1994. SMAC: A Simplified Method for the Atmospheric Correction of Satellite Measurements in the Solar Spectrum. International Journal of Remote Sensing 15, 123–43.

Rasmussen, M.O., Göttsche, F.M., Olesen, F.S., Sandholt, I., 2011. Directional Effects on Land Surface Temperature Estimation From Meteosat Second Generation for Savanna Landscapes. IEEE Transactions on Geoscience and Remote Sensing 49, 4458-4468.

Roujean J.-L., Leroy M., Deschamps P.-Y., 1992. A bidirectional reflectance model of the Earth’s surface for the correction of remote sensing data. Journal of Geophysical Research 97, 20.455-20.468.

Rulinda, C.M., Bijker, W., e Stein, A., 2010. Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data. International Journal of Applied Earth Observation and Geoinformation 12S, S63-S68.

Sarr, M.A., Lacaze, B., 2008. Caractérisation de la dynamique de la végétation en Afrique de l’Ouest: comparaison des indices NDVI de MSG-SEVIRI, SPOT-VEGETATION et NOAA-AVHRR (exemple du Ferlo, Sénégal). In Texte issu d’une communication au colloque Météosat Seconde Gération: un nouvel outil de suiv., 1–10. Available in: https://halshs.archives-ouvertes.fr/halshs-00260971. Acess: out. 2017.

Schaaf, C.B., Gao, F., Strahler, A.H., Lucht, W., Li, X., Tsang, T., et al., 2002 First operational BRDF, albedo nadir reflectance products from MODIS. Remote Sensing of Environment 83, 135-148.

Schmetz, J., Pili, P., Tjemkes, S., Just, D., Kerkmann, J., Rota, S., Ratier, A., 2002. An Introduction to Meteosat Second Generation (MSG). Bulletin of the American Meteorological Society 83, 991–991.

Silveira, C.R., Mesquista, V.V., Guimarães, L.F., 2015. Análise da generalização cartográfica em imagens índice de vegetação geradas a partir de dados Meteosat Second Generation. Anais XVII Simpósio Brasileiro De Sensoriamento Remoto, 0683-690. João Pessoa. Available in: http://www.dsr.inpe.br/sbsr2015/files/p0131.pdf. Acess: 10 mai. 2017.

Sobrino, J.A., Julien, Y., Soria, G., 2013. Phenology estimation from Meteosat Second Generation data. IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing 6, 1653–1659.

Solano, R., Didan, K., Jacobson, A., Huete, A., 2010. MODIS Vegetation Index User' s Guide (MOD13 Series). Available in: https://vip.arizona.edu/documents/MODIS/MODIS_VI_UsersGuide_June_2015_C6.pdf. Acess: 10 mai. 2017.

Tian, E., Fensholt, R., Verbesselt, J. Grogan, K., Horion, S., Wang, Y., 2015. Evaluating temporal consistency of long-term global NDVI datasets for trend analysis. Remote Sensing of Environment 163, 326-340.

Trenberth, K.E., Fasullo, J.T., & Kiehl, J., 2009. Earth’s global energy budget. Bulletin of the American Meteorological Society 90, 311–323.

Trentin, A.B., Saldanha, D.L., Kuplich, T.M., 2013. Análise comparativa do NDVI em fitofisionomias na bacia hidrográfica do Rio São Marcos. Revista Geográfica Acadêmica 7, 5-16.

Tucker, C.J., 1979. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation. Remote Sensing of Environment 150, 127-150.

Vermote, E.F., Tanr, D., Deuz, J.L., Herman, M., Morcrette, J.-j., 1997. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: An Overview. IEEE Geoscience and Remote Sensing 35, 675–686.

Vermote, E.F., Vermeulen, A., 1999. Atmospheric Correction Algorithm: Spectral Reflectances (MOD09). ATBD version 4. Available in: http://modis.gsfc.nasa.gov/data/atbd/atbd_mod08.pdf. Acess: 26 out. 2017.

Vermote, E., Claverie, M., 2013. Climate Algorithm Theoretical Basis Document (C-ATBD) AVHRR Land Bundle - Surface Reflectance and Normalized Difference Vegetation Index. Available in: https://www1.ncdc.noaa.gov/pub/data/sds/cdr/CDRs/AVHRR%20Surface%20Reflectance/AlgorithmDescription_01B-20a.pdf. Acess: 02 nov. 2017.

Vivone, G., Alparone, L., Chanussot, J., Mura, M. D., Garzelli, A., Licciardi, G.A., et al., 2015. A Critical Comparison Among Pansharpening Algorithms. IEEE Transactions on Geoscience and Remote Sensing 53, 2565-2586.

Wanner, W., Li X., Strahler, A. H., 1995. On the derivation of kernel for kernel-driven models of bidirectional reflectance. Journal of Geophysical Research 100, 21.077-21.089.

Wolters, E., Swinner, E., Toté, C., Sterckx, S., 2016. SPOT-VGT Collection 3 Products User Manual. Available in: http://www.vgt.vito.be/pages/SPOT_VGT_PUM_v1.0.pdf. Acess: 2 nov. 2017.

Zanzarini, F.V., Pissarra, T.C.T., Brandão, F.J.C., Teixeira, D.D.B., 2013. Correlação espacial do índice de vegetação (NDVI) de imagem Landsat / ETM + com atributos do solo. Revista Brasileira de Engenharia Agrícola e Ambiental 17, 608-614.

Zhao, W., Li, A., Bian, J., Jin, H., Zhang, Z., 2014. A synergetic algorithm for mid-morning land surface soil and vegetation temperatures estimation using MSG-SEVIRI products and TERRA-MODIS products. Remote Sensing 6, 2213-2238.




Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.

 

Revista Brasileira de Geografia Física - eISSN: 1984-2295

Creative Commons License
Esta obra está licenciada com uma Licença Creative Commons Attribution-NonCommercial 4.0 International License